0　引　言

监测系统的建设涉及监控参数完备性、传感器成本与精度以及测量信息的冗余性等。监测系统的数据分析涉及设备性能的在线监测、控制系统的正常运行、传感器异常数据监测等。电站运行数据的精准在线监测与诊断是电站建设、设备性能监控与运行优化等的重要组成部分。随之发展出多种基于机理模型[1]、基于统计模型[2]、基于智能算法[3]等的辅助数据监测的算法模型。

其中，基于机理模型的数据协调是一种通过模型约束得到更为可靠、一致的数据监测辅助算法。数据协调方法多用在化工过程，如文献[4]将数据协调算法应用于炼油厂的硫磺回收设备。姚书会[5]概述了数据协调在石油化工生产过程中的应用。随后该方法也逐渐应用于热力系统。如周卫庆等[6]将数据协调算法应用于电站喷水减温系统，同时考虑了热力过程的混杂、强干扰等特性对误差分布的影响。蒋晓隆等[7, 8]侧重在线监测，将传统数据协调算法应用于汽机侧，并分析了不同负荷下数据协调结果的不确定性等问题。郭思思等[9, 10]在考虑汽机侧的恒等约束条件基础上加入了不等式约束条件，进一步增强了数据协调方法对汽机系统协调结果的准确性。如周凌科等[11]将其应用于换热器网络的温度和流量测量值的校核，并给出未测量变量的估计值。Mohammed等[12]将该方法应用于热电联产系统中的燃气轮机运行监测上，利用氮氧化物排放量测点增加了约束方程。Marcin等[13, 14]利用数据协调方法研究了电站锅炉系统中传感器合理布置问题，从而以最少的传感器布置成本得到最大的监测冗余度。

上述研究方法仅考虑了同一时间下的监测值，而未充分利用监测系统在时间上的冗余信息。本文首先介绍了Bendig[15]在研究余热利用系统时引入的改进的数据协调算法，随后通过将汽轮机等熵效率作为特征变量，将该方法应用于电站汽机监测系统。从而充分利用了汽机侧监测系统在时间上的冗余测量信息，增强了工质流量等监测数据的准确性。通过案例分析以及传感器故障模拟案例证明了算法的可行性。

1　数据协调方法

由于测量设备往往存在系统误差和随机误差，给电站设备监控带来不便。数据协调方法利用监测系统的冗余测点以及质量平衡能量平衡方程等提升测量值的准确性。

(i=1,…,m;k=1,…,p;l=1,…,q)

1.1　传统数据协调算法

传统数据协调算法的求解方程为[16]

 

(1)

 

(2)

我担心她怀孕情绪不稳，没敢提起胖子。直到一顿饭吃完，买了单，我们两个傻坐在餐厅的落地窗边等七哥来接她，她却没头没脑地开了口——

式中：γ为目标函数的最小值，可用于检测传感器是否发生故障；x与分别为实际测量值与数据协调方法最终得到的协调值；σ为测量变量的均方差；f为监测系统的约束方程，电站数据协调问题中，约束方程多为物质平衡方程和能量平衡方程；u为与约束方程相关的未测量变量；m、p、q分别为测量变量个数，未测量变量个数，以及涉及的约束方程的数目。可见数据协调算法本质上就是求解在满足约束方程条件的下最小化问题。同时需要指出，数据协调方法只能用于测量信息冗余的监测系统，即约束方程的数目应多余未测量量的个数(q>p)，记冗余变量个数r=q-p。

此外，测量变量的均方差σ表征的测量结果的准确性，可由传感器的测量精度得到。若某测点95%置信区间下的测量误差为δ(即置信区间半长)，则测量变量的均方差满足σi=δi/1.96。从而某测点单次测量结果可表示为xi±δi。测量变量经数据协调后，测量结果可表示为其中为数据协调方法得到的均方差协调值[17]：

 

(3)

利用监测系统的冗余信息，数据协调方法得到测量结果满足物质平衡与能量平衡等约束方程，其可靠性要高于单一传感器的测量结果xi±δi。

1.2　改进的数据协调算法

(i=1,…,m;j=1,…,n;k=1,…,p;l=1,…,q)

第三，“南海核心利益说”与2009年来不断趋紧的南海局势联系紧密。2009年来中国的南海立场不断面临严峻挑战。一方面美国频繁的近海抵近侦察直接造成“无暇号事件”，中美之间关于专属经济区航行自由的权利之争使得中国相关国内法面临挑战；同时还严重威胁九段线的相应权利。大多数西方学者认为，中国九段线的实质就是视南海为中国的内湖，而美国所主张的航行自由根本不认同该观点。

改进的数据协调算法的核心思想是引入“特性变量”。特性变量是指由于设备固有特性，在短时间内或准稳态下基本保持恒定的变量，如电站汽轮机的等熵效率。改进的数据协调算法利用了特性变量在连续时间段内多次测量中基本保持不变的特性，将特性变量看作测量变量。与正常测量变量不同之处在于特性变量的测量值未知，需根据实际经验给定假设的初始测量值与初始均方差改进的数据协调算法将初始猜测值作为第一次测量值，将协调值作为下次迭代的猜测值。受约束方程限制，特征变量在连续测量样本中不断迭代，并逐渐收敛。

工程造价所面对的对象是众多的、也是各行业各的。例如：市政建设工程、道路桥梁建筑工程、民生基础工程等等[2]。而不同的工程就会有不同的要求和标准，其中所包含的因素也会不同。因此个体间的差异性和独特性是非常之鲜明的。也就是说工程造价每一新的项目都会与之前的项目有着截然的不同。

而所有的压力传感器协调值误差比重总计为21.74%，该误差主要来源于压力传感器的冗余信息可用于相互校核。即图1中p6、p14、p15与p38。温度测点、实发功率、等熵效率则由于测量准确性较高，协调值误差在目标函数的比重较小。总之，协调值误差反应了该测点的测量值与监测系统约束方程的一致性。比重较小则意味着测量值较为精确或是与该测量值相关的约束方程过少。而比重值较大意味着该测点的传感器出现了故障或是相关约束方程较多。

 

(4)

 

(5)

传统的数据协调算法仅利用同一时刻的测量量建立约束条件。而在电站实际测量监控中，可用的冗余测点往往较少，不宜直接使用传统的数据协调方法。本文将Bendig引入的改进的数据协调算法[15]应用于电站监控中，充分利用电站连续准稳态监测数据中测量数据在时间上的冗余信息提高监测准确性。

式中：t与t-1分别表示当前时刻与上一时刻；为特性变量。目标函数的前半部分表示测量变量的测量值与协调值尽量接近，后半部分表示特征变量当前时刻的协调值应与上一时刻的协调值尽量接近。由于约束方程的限制，随着连续时间段的测量信息不断迭代，特征变量协调值不断收敛，利用特征变量在时间尺度上基本不变这一冗余特性提升了原本冗余信息较少的监测系统的测量准确性。

1.3　结果可靠性判断原理

改进的数据协调方法可通过目标函数值γt判断协调结果是否可靠。若某次迭代后协调结果满足式(6)则认为结果可靠[17]。

 

(6)

式中：为自由度为r的卡方分布的1-α分位数；显著性水平α本文选为5%；而自由度r即为冗余变量个数r=q-p。

若协调结果不满足式(6)，可认为传感器出现故障。此外，改进的数据协调算法刚开始迭代时，特征变量值尚未收敛，此时协调结果一般也无法满足式(6)。

2　案例分析

本文以某660 MW超临界燃煤机组汽机侧为例如图1所示，分析现场传感器的布置、精度以及冗余性。进而通过改进的数据协调方法提升测量值精度。

  

图1　某电厂660 MW机组汽机侧示意图及测点布置情况Fig.1　Illustration of turbine system and arrangement of sensors

2.1　案例监测系统分析

案例电站的汽机侧的关键监控测点与主要流程如图1所示，主要物流线共计41条，相应序号标注于物流线旁。辅助测点与次要物流并未画出，如轴封漏气与再热器减温水等。对于该监测系统，误差的主要来源源于流量传感器。由于主蒸汽流量(1号物流)传感器常年处于高温高压状态运行，其测量不确定性甚至可达15%以上，因此本文未采用主蒸汽流量测点，而是采用凝结水泵出口流量测点(图1中20号物流，记为除氧器入口流量测点(记为与给水泵出口流量测点(记为t15)。由于测量仪器的不准确性，这三股流量的测量值一般不会恰好满足质量平衡方程，因此可利用数据协调的方法得到更为合理的流量协调值。

为全面监控电站运行情况，每条主要物流线需要流量、温度、焓值三个参数值，而压力干度等物性参数可由水蒸气物性参数表计算得到。此外还有实发功率值，因此主要物流线总计涉及3×41+1=124个参数。电站实际布置测点共计40个，包括3个流量测点，1个功率测点，13个压力测点与23个温度测点。质量平衡或能量平衡等相关的约束方程共计103个，并列于表1。由于电站流程为一个闭环结构，故有一个质量平衡方程是多余的，因此表1所列103个约束方程的秩为102。

若采用传统数据协调算法，测量变量个数m=40，未测量变量个数p=124-40=84，约束方程个数q=102，监测系统的冗余变量个数r=q-p=102-84=18。可见电站监测系统采用传统数据协调方法的缺点在于监测系统的冗余度较低。

公路项目点多面广战线长，工期制约因素众多，本文从4个方面系统地给出了进度的影响因素，并浅析了公路工程进度制约因素的解决思路对策和方法，项目管理开始实施时应建立BIM系统进行信息化系统管理，便于系统有效监管运行高效。

3.总结升华,在一项内容学练的最后,本人都会总结学生的学练情况,引导学生进行创造性活动,通过教师这样的总结、学生小结,小组交流等形式既开拓学生思维的深度和广度,又使学练内容得以升华。

 

(7)

式中：s表示等熵过程；hin与hout分别汽机各级组表示入口与出口焓值；hs表示等熵过程下出口理想焓值。

此时测量变量个数m=40，特性变量个数n=8，未测量变量个数p=124-40=84，约束方程个数q=102+8=110，监测系统的冗余变量个数r=q-p=110-84=26。

 

表1　汽机侧主要物流的约束方程

 

Tab.1　Constraint equations of turbine system

  

设备约束方程方程数目锅炉m·in,water+m·in,main_spary-m·out,main=0m·in,steam+m·in,reheat_spary-m·out,reheat=02高压缸1-低压缸3m·in,steam+m·in,leak-m·out,steam-m·out,extract-m·out,leak=0pout-pextract=0hout-hextract=03×7低压缸4m·in,steam+m·in,leak-m·out,steam-m·out,extract-m·out,leak=01发电机∑im·in,i(hin,i-hout,i)=∑iE·i=EG/ηG1空冷m·in-m·out=0pin-pout=0hout=f'saturation(pout)3高加1-3与低加5-7m·in,water-m·out,water=0m·in,steam+m·in,drain-m·out,drain=0∑m·inhin-∑m·outhout=0pin,water-pout,water=0pin,steam-pout,drain=0(KA)drainLMTDdrain-Q·drain=0(KA)condLMTDcond-Q·cond=07×6除氧器m·in,water+m·in,steam+m·in,drain-m·out,water=0∑m·inhin-∑m·outhout=0pin,water=pout,water=pin,steamhout,water=f'saturation(pout,water)5给水泵与凝结水泵m·in-m·out=0ηpump=(hout,s-hin)/(hout-hin)2×2管路m·in-m·out=0pin-pout-Δp=0hin-hout=03×7热井等m·18+m·34-m·19=0m·18h18+m·34h34-m·19h19=0p18-p19=03总计 103

注：变量分别为质量流量、压力、焓值、电功率以及热功率；参数K,A,LMTD,η分别为换热系数、换热面积、对数平均温差、效率；下标in,out表示入口与出口；pump,G分别表示泵、发电机；而main,reheat,spary,leak,extract分别表示主蒸汽、再热蒸汽、喷水减温水、漏气、抽气；而drain,cond,s,saturation分别表示疏水过程、凝结过程、等熵过程以及饱和曲线。

2.2　案例结果与讨论

最后，通过改进的数据协调算法，可有效提升测量结果的可信度。由于汽机侧监测系统的主要误差来源于流量传感器，下面以案例第15次迭代后所得流量协调值为例，分析改进的数据协调方法对流量测点精度提升的效果。

2.2.1　特性变量的收敛

文本将改进的数据协调算法应用与电站监测系统，以8个汽轮机级组的等熵效率ηs为例，将其作为8个特性变量。在一段连续准稳态工况下由于主汽流量较为稳定，充分利用测量期间等熵效率值基本为定值这一时间上的冗余特性提高测量精度。而特征变量等熵效率的引入相当于引入了新的约束方程：

特性变量选取汽机的等熵效率。该值虽然随主汽流量(即用电负荷)不同而略有改变，但在一段准稳态工况下可视作基本不变，在迭代前(图 2横坐标迭代次数为0时)8组汽机级组的等熵效率初始协调值与初始均方差统一设置为1和0.2。高压缸1、中压缸1与低压缸1的等熵效率迭代过程如图 2所示，受约束方程限制大约经过10次迭代后，等熵效率值已趋于稳定，在第15次迭代后分别收敛于0.784，0.853和0.772。同时数据协调方法给出了该协调值对应的均方差，表征了该结果的不确定度。以高压缸1为例，在第15次迭代后得到的最终协调值结果为0.784±0.001。

  

图2　部分特性变量在改进的数据协调方法中的收敛过程Fig.2　Convergence procedure of characteristic variables in enhanced data reconciliation method

2.2.2　改进的数据协调结果分析

这样的事情对马国新来说并不新鲜。他说：“干我们稽查工作的，必须意志坚定，不然一不留神就‘栽’进去了。我也缺钱，但是我不能缺德、缺良心。”

在第15次迭代后，40个主要测点的实际测量值与算法最终协调值列于表2。其中下角标数字为图1中所对应的物流编号。

动态系统理论下的语言发展观从全新的复杂性科学视角审视语言这个系统，其核心观点可从语言系统的本质和特性、语言结构的生成、语言演化的机制三方面进行阐释。

 

表 2　主要测点的测量值与协调值

 

Tab.2　Measured values and reconciled values

  

测点测量值协调值测点测量值协调值E·75/MW403.70404.41t13/℃464.89464.35m·20/kg·s-1262.41265.09t14/℃376.10376.39m·23/kg·s-1260.21265.09t15/℃259.95260.44m·25/kg·s-1298.57285.49t16/℃211.02211.09p1/MPa17.0317.03t17/℃149.59149.34p10/MPa14.8514.57t20/℃56.1756.14p11/MPa4.694.69t21/℃93.6293.27p12/MPa2.902.90t22/℃112.73112.33p13/MPa1.471.47t23/℃131.76131.80p14/MPa0.760.76t25/℃171.18171.29p15/MPa0.290.29t26/℃199.40199.13p16/MPa0.170.17t27/℃232.50232.38p28/MPa19.2419.24t28/℃262.10262.00p35/MPa0.040.04t29/℃234.75234.93p38/MPa0.730.73t30/℃202.52202.77p4/MPa2.722.71t31/℃175.89175.81p6/MPa0.720.72t32/℃112.43112.23t1/℃567.17567.82t33/℃96.1195.81t11/℃387.29386.65t34/℃58.9359.33t12/℃325.34325.07t4/℃563.47564.01

通过分析各传感器的协调结果在式(4)中γt的占比，可分析各类传感器的测量信息冗余情况，同时可定量比较个测点的误差大小。各测量变量以及特性变量对改进的数据协调算法的目标函数γt的影响如图 3所示。图 3的百分比纵坐标为相应传感器协调值误差(即或在γt中的比重。比重大的测点是目标函数γt最小的主要限制因素。如图 3所示，在案例监测系统中，三处流量测点的误差比重较高，凝结水泵出口流量、除氧器入口流量和给水泵出口流量的误差比重分别为18.17%，22.21%和32.85%。流量测点误差比重最高的原因在于：三个流量测量有着明确的质量平衡约束关系，可用于相互校核，但由于存在测量误差三个传感器的测量值无法严格满足质量平衡方程。同时，相对于压力、温度传感器，流量传感器精度在常年运行后更为容易下降，导致实际均方差大于计算中所采用的设计值。

  

图3　各类传感器协调值误差在γt中的比值Fig.3　Error proportion of each sensors in γt

采用t时刻的测量数据，改进的数据协调算法的求解方程如下:

案例采用实际运行数据结合Ebsilon[18]对汽机侧流程建模。电站系统的准稳态监测已有较多文献讨论，本文采用文献[19]的时窗公式法，选取了该电站7月1日一段连续30 min的准稳态工况，数据采集系统每分钟记录一次运行数据，总计30组连续样本。前15组用于讨论监测系统采用改进的数据协调算法后的可靠性。后15组用于模拟传感器故障时的数据协调结果。

如图 4所示，与的实际测量值并非完全相等，数据协调方法在约束方程的限制下得到的与协调值则均为265.1 kg/s。同时与存在质量约束关系，数据协调方法所得流量结果中，与的协调值均高于测量值，而的协调值则低于测量值。该协调结果即为在满足约束方程的前提下使目标函数γt最小的最优解。此外，得到测量变量的数据协调值后，包括主蒸汽流量在内的所有汽机侧物流的物性参数均可通过约束方程(表1)得到更为精确可靠的、一致的协调值。

  

图4　流量传感器的测量值与协调值比较Fig.4　Comparison of measured values and reconciled values of mass flowrate

2.2.3　传感器故障分析

下面通过模拟传感器故障，验证改进的数据协调算法的准确性。将后15组测量样本的实发功率值增加10%的偏置，其余测量值不变，观测可靠性限值(式(6))的变化情况。如图 5所示，横坐标为迭代次数，纵坐标为相应的可靠性指标其中冗余度r为26，查表得为38.89。

除了Rattrapante之外，Doppel 3剩下还有小秒针以及主轴左侧和右侧辅助刻度盘上的分钟计数器。虽然之前的Doppel主要走运动风格，但Doppel Felix的表盘采用缎面银色或灰色/无烟煤色和玫瑰金色的指针和小时指针，简洁而优雅。量身定制的顶级皮革表带， 也是“奥地利制造”。市场价格为8650瑞士法郎。

在前十五组正常数据中，可靠性指标逐步下降。其中前五次迭代时该指标超出限值1，这主要是由于初始设置的等熵效率值不够准确。但随迭代过程，等熵效率逐渐收敛，可靠性指标也随之下降。后15组样本对比了正常数据与模拟的故障数据。可见，实发功率10%的误差导致可靠性指标远大于1，足以定性为数据异常。关于判断数据异常的具体传感器，改进的数据协调方法与传统数据协调方法类似(如文献[20])，不再赘述。

  

图5　实发功率传感器故障案例Fig.5　Sensor fault case study

3　结　论

通过将汽机等熵效率引入为特性变量，本文将改进的数据协调算法应用于了电站监测系统。针对改进的数据协调算法利用时间冗余信息的特性，通过案例分析介绍了改进的数据协调算法对监测系统精确性的提升效果，以及传感器故障案例下目标函数随样本的变化特性等。通过案例分析，可得到如下结论：

林孟的头向我这边扭过来了一下，他看到了我，可他马上就将头扭回去了。我追上去了几步，继续向他喊叫：“林孟，是我？”

(1)将等熵效率作为特性变量，特性变量均方差在10次迭代内收敛，目标函数同样快速下降到可靠性限值以下，证明了该方法应用于汽机侧监测系统的可行性。

(2)流量传感器精度是限制汽机侧监测准确性的主要因素，通过改进的数据协调算法可得到汽机侧各物流更为准确可靠的、一致的协调值。

(3)通过传感器故障模拟案例，分析了传感器故障对可靠性限值的影响，证明了该算法可以应用于汽机侧传感器故障分析。

参考文献：

[1] 牟春华, 寇水潮, 兀鹏越, 等. 基于多传感器的热网补偿器泄漏预警监测系统[J]. 热力发电, 2017, 46(12): 80-6.

MU H C, KOU S C, WU P Y, et al. Early warning and monitoring system for heating supply network compensator leakage based on multiple sensors [J]. Thermal power Generation, 2017, 46(12): 80-6.

[2] 司风琪, 周建新, 仇晓智, 等. 基于APCA的电站热力过程故障传感器自适应检测方法[J]. 东南大学学报(自然科学版), 2009, 39(2): 282-286.

SI F Q, ZHOU J X, QIU X Z, et al. Adaptive detection method of sensor failures based on APCA for the thermodynamic system in power plant [J]. Journal of Southeast University (Natural Science Edition), 2009, 39(2): 282-286.

[3] 周卫庆,王顺,李辉,等.一种基于遗传算法的热工数据校正方法[J]. 热力发电, 2017, 46(3): 45-50.

ZHOU W Q, WANG S, LI H, et al. A thermal data rectification method based on genetic algorithm [J]. Thermal Power Generation, 2017, 46(3): 45-50.

[4] MANENTI F, GROTTOLI M G, Pierucci S. Online data reconciliation with poor redundancy systems[J]. Industrial & Engineering Chemistry Research, 2011, 50(24): 14105-14114.

[5] 姚书会, 面向生产优化的数据协调方法研究[D]. 北京:北京化工大学, 2014.

YAO S H. Data reconciliation method for production optimization[D]. Beijing:Beijing University of Chemical Technology, 2014.

[6] 周卫庆, 乔宗良, 周建新, 等. 一种热工过程数据协调与显著误差检测同步处理方法[J]. 中国电机工程学报, 2012, 32(35): 115-121.

ZHOU W Q, QIAO Z L, ZHOU J X, et al. A simultaneous data reconciliation and gross error detection method for thermodynamic systems [J]. Proceedings of the CSEE, 2012, 32(35): 115-121.

[7] JIANG X L, LIU P, LI Z. Data reconciliation for steam turbine on-line performance monitoring[J]. Applied Thermal Engineering, 2014, 70(1): 122-130.

[8] JIANG X L, LIU P, LI Z, et al. A data reconciliation based framework for integrated sensor and equipment performance monitoring in power plants[J]. Applied Energy, 2014, 134: 270-282.

[9] GUO S S, LIU P, LI Z, et al. Inequality constrained nonlinear data reconciliation of a steam turbine power plant for enhanced parameter estimation[J]. Energy, 2016, 103: 215-230.

[10] GUO S S, LIU P, LI Z, et al. Estimation of exhaust steam enthalpy and steam wetness fraction for steam turbines based on data reconciliation with characteristic constraints[J]. Computers and Chemical Engineering, 2016, 93: 25-35.

[11] 周凌柯, 傅永峰. 基于双线性正交分解法的换热器系统数据协调[J]. 南京理工大学学报, 2017, 41(2): 212-216.

ZHOU L K, FU Y F. Data reconciliation of heat exchanger system based on bilinear orthogonal transformation[J]. Journal of Nanjing University of Science and Technology, 2017, 41(2): 212-216.

[12] SYED M S, DOOLEY K M, Madron F, et al. Enhanced turbine monitoring using emissions measurements and data reconciliation[J]. Applied Energy, 2016, 173: 355-365.

[13] SZEGA M, NOWAK G T. An optimization of redundant measurements location for thermal capacity of power unit steam boiler calculations using data reconciliation method[J]. Energy, 2015, 92: 8036-8042.

[14] SZEGA M, NOWAK G T. Identification of unmeasured variables in the set of model constraints of the data reconciliation in a power unit[J]. Archives of Thermodynamics, 2013, 34(4): 235-245.

[15] BENDIG M. Integration of organic rankinecycles for waste heat recovery in industrial processes[D]. Polytechnique Fédérale de Lausanne, 2015.

[16] 蒋晓隆, 刘培, 李政. 数据协调方法在传感器故障监测中的应用[J]. 清华大学学报(自然科学版), 2014, 54(6): 763-768.

JIANG X L, LIU P, LI Z. Data reconciliation for sensor fault monitoring[J]. Journal of Tsinghua University (Science and Technology), 2014, 54(6): 763-768.

[17] JIANG X L, LIU P, LI Z, Data reconciliation and gross error detection for operational data in power plants[J]. Energy, 2014, 75: 14-23.

[18] EBSILON Professional Version 13 by STEAG Energy Services GmbH[CP]. Zewingenberg: Germany, 2017.

[19] LI X E, WANG N L, WANG L G, et al. A data-driven model for the air-cooling condenser of thermal power plants based on data reconciliation and support vector regression[J]. Applied Thermal Engineering, 2018, 129: 1496-1507.

[20] LIN T. An adaptive modeling and simulation environment for combined-cycle data reconciliation and degradation estimation[D]. Atlanta:Georgia Institute of Technology, 2008.